Nama : Astika
Nim : 1815141017
Prodi : Geografi Sains
2020
STATISTIK PARAMETRIK
Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis sebaran atau
distribusi data, yaitu apakah data menyebar secara normal atau tidak. Dengan kata lain, data
yang akan dianalisis menggunakan statistik parametrik harus memenuhi asumsi normalitas.
Pada umumnya, jika data tidak menyebar normal, maka data seharusnya dikerjakan dengan
metode statistik non-parametrik, atau setidak-tidaknya dilakukan transformasi terlebih dahulu
agar data mengikuti sebaran normal, sehingga bisa dikerjakan dengan statistik parametrik.
1. Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji
dan dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat.
2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal
serta memiliki varian yang homogen.
Kelemahan :
STATISTIK NON-PARAMETRIK
Statistik Non-Parametrik adalah test yang modelnya tidak menetapkan syarat-syaratnya
yang mengenai parameter-parameter populasi yang merupakan induk sampel penelitiannya.
Oleh karena itu observasi-observasi independent dan variabel yang diteliti pada dasarnya
memiliki kontinuitas. Uji metode non parametrik atau bebas sebaran adalah prosedur
pengujian hipotesa yang tidak mengasumsikan pengetahuan apapun mengenai sebaran
populasi yang mendasarinya kecuali selama itu kontinu.
Pendeknya: Statistik Non-Parametrik adalah yaitu statistik bebas sebaran (tidak mensyaratkan
bentuk sebaran parameter populasi, baik normal atau tidak). Selain itu, statistik non-
parametrik biasanya menggunakan skala pengukuran sosial, yakni nominal dan ordinal yang
umumnya tidak berdistribusi normal.
Keunggulan :
Kelemahan :
Dalam implementasi, penggunaan prosedur yang tepat merupakam tujuan dari peneliti.
Beberapa parameter yang dapat digunakan sebagai dasar dalam penggunaan statistik non
parametrik adalah:
16. Z =
17. Dimana : r = banyaknya run
108. U = n1.n2+
(2.9)
109. Persamaan diatas ekivalen dengan:
110. U = n1.n2+
(2.10)
111. Dimana :
112. n1= banyaknya sampel dalam salah satu grup
113. n2= bayaknya sampel dalam grup yang lain
114. R1= jumlah skor rangking yang diberikan pada grup dengan ukuran sampel n1
115. R2= jumlah skor rangking yang diberikan pada grup dengan ukuran sampel n2
116. - Pilih nilai U min, dari dua nilai U diatas
117. - Bila n2 > 20 gunakan distribusi Z
118. Zhit =
(2.11)
119. Dimana :
120. =
(2.12)
121. =
(2.13)
122.
123. 2.2.4 Kruskall-Wallis
124. Kruskal-Wallis test dikembangkan oleh Kruskal dan Wallis. Uji
Kruskal-Wallis adalah uji nonparametrik yang digunakan untuk membandingkan
tiga atau lebih kelompok data sampel. Uji Kruskal-Wallis digunakan
ketika asumsi ANOVA tidak terpenuhi. ANOVA adalah teknik analisis data
statistik yang digunakan ketika kelompok-kelompok variabel bebas lebih dari dua.
Pada ANOVA, kita asumsikan bahwa distribusi dari masing-masing kelompok
harus terdistribusi secara normal. Dalam uji Kruskal-Wallis, tidak diperlukan
asumsi tersebut, sehingga uji Kruskal-Wallis adalah uji distribusi bebas. Jika
asumsi normalitas terpenuhi, maka uji Kruskal-Wallis tidak sekuat ANOVA.
Penyusunan hipotesis dalam uji Kruskal Wallis adalah sebagai berikut:
H0 : sampel berasal dari populasi yang sama (µ1 = µ2 = … = µk)
Ha : sampel berasal dari populasi yang berbeda (µi = µj)
125.
Uji Kruskal Wallis harus memenuhi asumsi berikut ini:
- Sampel ditarik dari populasi secara acak
- Kasus masing-masing kelompok independen
- Skala pengukuran yang digunakan biasanya ordinal
- Rumus umum yang digunakan pada uji kruskal wallis adalah :
126.
127. Statistik uji Kruskal Wallis menggunakan nilai distribusi Chi-kuadrat dengan
derajat bebas adalah k-1 dengan jumlah sample harus lebih dari 5. Jika nilai uji
Kruskal Wallis lebih kecil daripada nilai chi-kuadrat tabel, maka hipotesis null
diterima, berarti sampel berasal dari populasi yang sama, demikian pula
sebaliknya.
128.
129. 2.2.5 kolgomorov smirnov goodness of fit test
130. Uji kecocokan dengan mengguakan Chi-kuadrat sebenarnya dirancang untuk
menguji hipotesis untuk data dalam sekala nominal. Uji lain yang dirancang untuk
menguji kecocokan data kontinu adalah uji kolmogorov-smirnov.
131. Uji Kolmogorov-Smirnov akan didasarkan pada dua fungsi distribusi
kumulatif ; distribusi kumulatif yang dihipotesiskan dan fungsi distribusi
kumulatif dari data hasil pengamatan (F(x)).
132. Data yang digunakan dalam pengujian ini adalah merupakan data
hasil pengamatan yang independen yang berasal dari populasi dengan fungsi
distribusi F(x) yang tidak diketahui.
133. § Prosedur Pengujian Kolmogorov-Smirnov
134. 1. Menyatakan hipotesis nol dan hipotesis alternatif (H0 dan H1).
135. 2. Memilih tarap keberartian ( ).
136. 3. Menentukan daerah kritis
137. 4. Menyusun hasil pengamatan mulai dari nilai pengamatan
sampai nilai pengamatan terbesar.
138. 5. Menentukan D maks
139. 6. Menentukan nilai D tabel
140. Untuk α = 0.05
141. 1,36
142. 7. Bandingkan nilai D yang diperoleh dengan nilai Dα dari tabel
(untuk dua sampel)
143. Terma H0 jika D<Dα
144. Tolak H0 jika D Dα
145. 2.2.6 korelasi spearman & kendall\
146. Uji korelasi Spearman dengan SPSS pada hakikatnya serupa dengan
secara manual. Uji korelasi Spearman adalah uji statistik yang ditujukan untuk
mengetahui hubungan antara dua atau lebih variabel berskala Ordinal. Selain
Spearman, D.A. de Vaus menyebutkan bahwa uji korelasi yang sejenis dengannya
adalah Kendall-Tau.[1] Asumsi uji korelasi Spearman adalah:
147. (1) Data tidak berdistribusi normal
148. (2) Data diukur dalam skala Ordinal.
149. Rumus uji korelasi spearman untuk jumlah sampel < = 30 adalah:
150.